#数据论文# 【中国区域1km分辨率多源融合土壤湿度数据集（2000–2025）】高分辨率土壤水分（SM）数据对于干旱监测和洪水预报至关重要。
近日，AAS有文章介绍了一种基于可解释机器学习（ML）的土壤湿度数据融合框架，并生成了中国地区长时序（2000-2025年）、逐日、1 km分辨率的表层土壤湿度（0-10 cm）数据集。研究基于中国2371个自动观测站的土壤湿度观测数据，训练了四种先进的机器学习模型——随机森林、XGBoost、LightGBM 和 CatBoost。通过递归特征消除（RFE）结合 Optuna超参数调优提升模型性能，同时利用 SHAP方法对机器学习模型进行可解释性分析。
主要研究发现如下：(1) 融合模型显著提高了土壤湿度估计精度，尽管逐日时间相关性略低于CLDAS（中国气象局陆面数据同化系统）土壤湿度数据，但均方根误差更低；(2) RFE去除了57%的冗余特征，同时保持了预测精度；(3) SHAP分析显示，高精度土壤湿度输入是最重要的预测因子，其次为静态变量（地形和土壤属性）及气象变量。本研究开发的土壤湿度融合方法可推广应用于多源卫星遥感土壤湿度产品的融合与降尺度。数据集可通过 http://t.cn/AXiLaxJb 公开获取。
查看更多 http://t.cn/AXiLaxJG